Software for prioritizing conservation actions based on probabilistic information
Notice bibliographique
Résumé
Marxan is the most common decision-support tool used to inform the design of protected-area systems. The original version of Marxan does not consider risk and uncertainty associated with threatening processes affecting protected areas, including uncertainty about the location and condition of species' populations and habitats now and in the future. We described and examined the functionality of a modified version of Marxan, Marxan with Probability. This software explicitly considers 4 types of uncertainty: probability that a feature exists in a particular place (estimated based on species distribution models or spatially explicit population models); probability that features in a site will be lost in the future due to a threatening process, such as climate change, natural catastrophes, and uncontrolled human interventions; probability that a feature will exist in the future due to natural successional processes, such as a fire or flood; and probability the feature exists but has been degraded by threatening processes, such as overfishing or pollution, and thus cannot contribute to conservation goals. We summarized the results of 5 studies that illustrate how each type of uncertainty can be used to inform protected area design. If there were uncertainty in species or habitat distribution, users could maximize the chance that these features were represented by including uncertainty using Marxan with Probability. Similarly, if threatening processes were considered, users minimized the chance that species or habitats were lost or degraded by using Marxan with Probability. Marxan with Probability opens up substantial new avenues for systematic conservation planning research and application by agencies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».